【摘 要】
：
以提升不均衡数据集内少数类样本的分类性能为目标,从样本采样以及分类器优化两方面构建面向不均衡数据集的过抽样数学模型。利用数据分布不均衡条件下的少数类过抽样算法处理不均衡数据集内少数类样本,算法将少数类样本作为中心,利用新生成的虚拟少数类样本改善不平衡数据集内数据不均匀分布情况,将完成处理的少数类样本与多数类样本结合建立新训练样本集合,新训练样本集合输入经过熵值法优化的混合核ε-SVM分类器中训练分
【基金项目】
：
内蒙古大学2020年校级本科教学改革研究与建设项目(NDJ2094)。
论文部分内容阅读
以提升不均衡数据集内少数类样本的分类性能为目标,从样本采样以及分类器优化两方面构建面向不均衡数据集的过抽样数学模型。利用数据分布不均衡条件下的少数类过抽样算法处理不均衡数据集内少数类样本,算法将少数类样本作为中心,利用新生成的虚拟少数类样本改善不平衡数据集内数据不均匀分布情况,将完成处理的少数类样本与多数类样本结合建立新训练样本集合,新训练样本集合输入经过熵值法优化的混合核ε-SVM分类器中训练分类器,将测试样本集输入完成训练的优化混合核ε-SVM分类器中,实现不均衡数据集内样本精准分类。实验结果表
其他文献
业务融合时往往需要将已有的多个流程合并,从而形成新的满足实际需求的业务流程,如何识别已有业务流的共性特征来消除流程冗余具有较大的实际应用价值。因此,提出了一种基于Petri网的流程变体合并方法。首先,由计算匹配分数算法计算多个流程变体间不同组合的匹配分数,由此来选定一对匹配分数最高的流程变体组合;然后,根据提出的合并算法提取流程变体组合的公共部分,创建对应的副本,并将流程变体间存在的差异使用可配置连接符的分支进行合并,进而生成单个可配置的流程模型。合并后的流程模型可以捕获输入模型的所有行为,且可以对模型中
为了解决多模态优化问题,对郊狼优化算法进行研究,提出了一种基于确定性拥挤的多模态郊狼优化算法—DCCOA。将小生境技术的确定性拥挤方法引入郊狼优化算法中,定义了新的郊狼进化机制,改进了郊狼群组文化趋势的计算方法。同时,为了更真实地模拟郊狼的种群生活,算法还定义了2只阿尔法郊狼并且采用了权重法更新郊狼的社会状况。最后将DCCOA与其它智能优化算法在多个典型基准函数上进行不同决策变量维数的多次对比实验。实验结果表明,小生境技术的引入进一步促进了算法在探索和勘探之间的平衡,提升了郊狼优化算法在多模态情况下的全局
在工程施工中,施工设备发挥了关键性的作用,它解决了施工中人力无法解决的难题,是施工质量和施工效率的保证.rn5 月 17 日,2021 年工程施工装备技术与管理创新发展大会在长沙
2016年,工程机械产业的至暗时刻,已经在低谷徘徊了5年,很多人选择离开,很多企业选择退出.rn投资近18亿元,建设国内领先、国际一流,30年不落后的塔机智能工厂——这是中联重科
柳工大吨位挖掘机受青睐。早在白鹤滩水电站建设初期,柳工设备就参与其中。“由于当时国产品牌还没有得到用户的完全信任,所以建设初期多是日系品牌独领风骚,多台柳工20吨级
属性图中的社区搜索是一种局部社区发现方法,本质是基于用户提供的查询节点返回包含查询节点且在结构内聚的同时属性与查询属性相似的个性化子图。该任务有助于用户更好地理解社区是如何形成的以及社区形成的原因。提出了一种融合结构-属性交互二部图随机游走机制,有效地支持属性图中的社区搜索。具体地,首先基于网络拓扑结构构建结构概率转移矩阵;其次探索结构与属性交互形成的二部图定义2阶段的节点-属性-节点概率转移矩阵,将其与结构概率转移矩阵有效融合得到属性图的概率转移矩阵;最后设计重启随机游走方法,基于融合结构和属性的并行电
与桥梁结下不解之缘rn1978年,19岁的孟凡超进入重庆建筑工程学院(现重庆交通大学)道桥工程系的桥梁与隧道专业学习,就此开始与桥梁结下了不解之缘.rn孟凡超后来表示,大学期间
Partial label learning is a weakly supervised learning framework in which each instance is associated with multiple candidate labels,among which only one is the ground-truth label.This paper proposes a unified formulation that employs proper label constra
在长沙地铁6号线六沟垅站的建设工地上,履带吊、汽车吊、旋挖钻、泵车、搅拌车……各式工程机械轰鸣声不绝于耳,阴雨之下却是一片热火朝天的施工景象.rn小江驾驶着2019年购入
It is our great pleasure to announce the publication of this special section in JCST:“Learning from Small Samples”.rnMachine learning has achieved great succe